使用持久同调和马尔可夫链对睡眠状态进行分类：一项初步研究

@第{Tymochko2020ClassifyingSS条，title={使用持久同调和马尔可夫链对睡眠状态进行分类：初步研究}，author={Sarah Tymochko、Kriti Singhal和Giseon Heo}，journal={妇女数学协会系列}，年份={2020年}，url={https://api.semanticscholar.org/CorpusID:21171612}}
本文是一项睡眠状态分类的初步研究，使用拓扑数据分析领域的方法对睡眠状态进行分类，其次，将睡眠状态建模为马尔可夫链，并可视化分析睡眠模式。
[PDF]语义阅读器
4引文
背景引文
2
方法引文
2

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中发现的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

4引文

统计学习技术应用于廉价儿科阻塞性睡眠呼吸暂停数据的调查

简化儿童阻塞性睡眠呼吸暂停综合征诊断和治疗过程的第一步是关注调查问卷和颅面测量的廉价数据，并应用相关网络、拓扑数据分析的Mapper算法、，以及探索性数据分析过程中的奇异值分解。

持续同源性作为评估心率变异性的新方法

研究表明，这种新方法提供了一系列指标，这些指标在区分健康受试者和中风患者的一系列心跳间隔（RR-intervals）时，可能至少与经典参数一样有用。

用Zigzag持久同调检测动力系统中的Hopf分支

BuZZ方法能够在两个综合示例和一个示例动力系统中使用锯齿状持久性成功地检测动力系统中的分岔。

基于Zigzag持久性的Hopf分叉分析

使用ZigZag（BuZZ）检测动力系统中Hopf分岔的方法可以简化方法并通过时间序列集合捕捉拓扑变化，而不是单独研究单个时间序列的拓扑。

32参考文献

心率变异性分析的持续同调方法及其在睡眠分类中的应用

这项工作展示了一个通用的流水线，将持久同源性应用于研究时间序列，特别是用于心率变异性（HRV）分析的瞬时心率时间序列，并提出了一种系统且计算有效的方法来总结持久性图，这就是所谓的持久性统计。

一种新的自动睡眠评分方法：基于田口的复值神经网络与复小波变换相结合

    M.Peker先生
    计算机科学、工程
    计算。方法生物识别程序。
  • 2016

使用拓扑的视频数据中的（准）周期性量化

这项工作提供了周期性（完美重复）和准周期性（周期模式与不相称周期的叠加）的连续测量，其方式不需要分割、训练、对象跟踪或一维代理信号。

基于机器学习和拓扑数据分析的车削颤振分类

利用拓扑数据分析研究时滞系统的信号

研究结果表明，所述方法可以用于分析用常数和时间周期系数描述的时滞动力系统的数据集。

排列熵参数的自动选择

结果表明，自动生成正确PE参数的任何方法的成功与否取决于所研究系统的类别，频率方法为周期系统、非线性差分方程和心电图/脑电图数据提供了准确的建议，而使用自适应分区计算的互信息函数为混沌微分方程提供了最准确的结果。

基于持久同源性的车削颤振检测

周期视频滑动窗口嵌入的高维几何

在一个合理的周期视频模型下，证明了滑动窗口对消除一个周期内所有状态的歧义是必要的，并且证明了一个嵌入了适当维滑动窗口的视频位于一个拓扑环上。

分类和回归树

    魏寅洛
    计算机科学、数学
    WIRE数据挖掘知识。发现。
  • 2011
本文通过回顾一些广泛可用的算法并在两个示例中比较它们的能力、优点和缺点，介绍了分类和回归树这一主题。

持久图像：持久同调的稳定向量表示

这项工作将PD转换为有限维向量表示，称为持久图像，并证明了这种转换对于输入中的小扰动的稳定性。